数字地球关键技术_数据仓库数据挖掘.pptVIP

空间数据仓库与数据挖掘 1 关于空间数据仓库 面对空间数据堆积越来越庞大的环境，各级管理者和指挥人员需要从大量复杂的空间数据中获取各自权限内的决策信息，从而作出正确有效的判断和决策。 从各级决策者的角度讲，空间数据处理的重点应该从传统的操作型扩展到空间数据的联机分析（OLAP）处理或分析型（信息型）。 1 关于空间数据仓库 无数分散的不同数据库存在着数据格式、数据语义、数据编码、空间参照系统、数据处理方式、数据质量等方面的异构性，面对如此复杂的海量空间数据的频繁交互过程，各级决策者从复杂的数据库中提取的数据必须具有集成和关联机制。 1 关于空间数据仓库 1 关于空间数据仓库 1 关于空间数据仓库 1 关于空间数据仓库 1 关于空间数据仓库 1 关于空间数据仓库 1 关于空间数据仓库 1 关于空间数据仓库 1 关于空间数据仓库 1 关于空间数据仓库 1 关于空间数据仓库 1 关于空间数据仓库 1 关于空间数据仓库 1 关于空间数据仓库 1 关于空间数据仓库 GIS中使用空间数据仓库的优势 1 关于空间数据仓库 1 关于空间数据仓库 有时，人们常常把DM和KDD(Knowledge Discovery in Databases)等同起来。一般说来，KDD侧重于目的和结果，多用于人工智能领域；而DM侧重于处理过程和方法，多用于数据库领域。也有人将两者结合起来使用，称为数据挖掘和知识发现 (Data Mining and Knowledge Discovery, 简称ＤＭＫＤ)技术。 2 关于空间数据挖掘 2.3 空间数据挖掘与知识发现的关系 1995年在加拿大召开的第一届知识发现和数据挖掘（也称数据开采）国际学术会议上，KDD被认为从数据中发现有用知识的整个过程，知识即意味着数据元素之间的关系和模式。数据挖掘被认为是KDD过程中的一个特定步骤，它是应用具体算法从数据中提取模式和知识。 2 关于空间数据挖掘 2.3 空间数据挖掘与知识发现的关系 Data Cleaning Data Integration Databases Data Warehouse Task-relevant Data Selection Data Mining Pattern Evaluation 2 关于空间数据挖掘 2.3 空间数据挖掘与知识发现的关系 一种观点，认为OLAP和数据挖掘是不交的。OLAP是数据汇总/聚集工具，它帮助简化数据分析；而数据挖掘自动发现隐藏在大量数据中的隐含模式和有趣知识。OLAP工具的目标是简化和支持交互数据分析，而数据挖掘的目标是尽可能自动处理，尽管允许用户指导这一过程。 2 关于空间数据挖掘 2.4 空间数据挖掘与OLAP的关系 另一种更广泛的观点可能被接受：数据挖掘包含数据描述和数据建模。由于OLAP系统可以提供数据仓库中数据的一般描述，OLAP的功能基本上是用户指挥的汇总和比较。这些尽管有限，但都是数据挖掘功能。同样根据这种观点，数据挖掘要比简单的OLAP操作宽得多，因为它不仅执行数据汇总和比较，而且执行关联， 2 关于空间数据挖掘 2.4 空间数据挖掘与OLAP的关系 分类，预测，聚类，时间序列分析和其他数据分析任务。而且，数据挖掘不限于分析数据仓库中的数据。它可以分析现存的，比数据仓库提供的汇总数据粒度更细的数据。它也可以分析事务、文本的、空间的和多媒体数据，这些数据很难用现有的多维数据库技术建模。在这种意义下，数据挖掘涵盖的数据挖掘功能和处理的数据复杂性要比OLAP大得多。 2 关于空间数据挖掘 2.4 空间数据挖掘与OLAP的关系 根据数据库的数据模型，可以有关系、事务、面向对象、对象——关系或SDW的空间数据挖掘系统SDMS。 根据所处理的数据的特定类型，可以有空间的、时间序列的、文本的或多媒体数据的SDMA，或WWW数据挖掘系统。 2 关于空间数据挖掘 2.5 空间数据挖掘的分类 根据挖掘的数据库类型分类 即根据数据挖掘的功能，如特征化，区分，关联，分类聚类，孤立点分析和演变分析，偏差分析，类似性分析等分类。一个全面的数据挖掘系统当提供多种和/或集成的数据挖掘功能。 2 关于空间数据挖掘 2.5 空间数据挖掘的分类 根据数据挖掘系统所挖掘的知识类型分类 包括概化知识（在高抽象层），原始层知识（在原始数据层），或多层知识（考虑若干抽象层）。一个高级数据挖掘应当支持度抽象层的知识发现。 2 关于空间数据挖掘 2.5 空间数据挖掘的分类 按照所挖掘的知识的粒度或抽象层分类 根据数据是否规则 还可以分类为挖掘数据规则性（通常出现的模式）和数据不规则性（如异常或孤立点）。一般地，概念描述、关联分析、分类、预测和聚类挖掘数据规律，将孤立点作为噪音排除。这些方法也能帮助检测孤立点。 2 关于空间数据挖掘 2.5 空间